[发明专利]基于概率神经网络的装备模拟电路故障诊断方法

说明书

本发明公开了一种基于概率神经网络的装备模拟电路故障诊断方法，包括以下步骤，S1：构建用于模拟电路故障诊断的概率神经网络模型；S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；S3：计算有用分量的BCM值，构建相应的故障特征向量；S4：利用基于训练样本的故障特征向量对概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。本发明中的电路故障诊断方法为故障诊断中故障类别的选择提供了技术途经。

技术领域

本发明涉及模拟电路故障诊断技术领域，尤其涉及基于概率神经网络的装备模拟电路故障诊断方法。

背景技术

模拟电路故障诊断本质上等价于模式识别问题。模式识别通常被关心的是识别范围及识别正确率，二者是相互联系又彼此对立的。然而目前看来，许多学者在对该类课题进行研究时往往忽视了或刻意省略了关于故障类别的选择问题。在故障类别的筛选方法没有解释清楚的情况下，却极力证实其研究成果有着极高的诊断覆盖率和正确率，其实验数据以及结果必然会带有一定程度的主观色彩。实际上，以目前的技术手段是不可能存在一种故障诊断方法对任何电路、任何状态乃至电路内的所有元器件都可以同样发挥效用的，那无异于“包治百病”的“灵丹妙药”。

概率神经网络算法虽然已经较为成熟并成功应用于故障诊断领域，但就目前研究现状来看比较有争议的地方是平滑参数的选择问题。为提高现有概率神经网络模式分类方法的性能，相关学者在此方面进行了大量研究，比较有代表性的有蚁群算法、果蝇算法、烟花算法等群智能算法，但是这些算法都没有显示出绝对的优势，效果并不显著。

发明内容

针对上述存在的问题，本发明旨在提供一种基于概率神经网络的装备模拟电路故障诊断方法，将测点故障信号进行分解，将有用ISC分量的BCM值所组成的向量作为故障特征，通过输出结构改进后的概率神经网络进行故障诊断，为故障诊断中故障类别的选择提供了技术途经。

为了实现上述目的，本发明所采用的技术方案如下：

基于概率神经网络的装备模拟电路故障诊断方法，其特征在于，包括以下步骤，

S1：构建用于模拟电路故障诊断的概率神经网络模型；

S2：对训练样本的模拟电路信号进行降噪和分解，筛选出有用的分量；

S3：计算步骤S2中筛选出来的有用分量的BCM值，构建相应的故障特征向量；

S4：利用步骤S3中基于训练样本的故障特征向量对步骤S1中的概率神经网络模型进行训练，在训练阶段，根据需要设定最小最优概率值Z，对三类参数进行优化，直至模型输出的故障状态集达到预定要求，保存训练结果；

S5：将测试样本按照步骤S2和步骤S3的操作构建相应的故障特征向量，输入到步骤S4中训练后的概率神经网络模型中，进行故障诊断。

进一步的，步骤S1中构建的用于模拟电路故障诊断的概率神经网络模型包括输入层、模式层、累加层和输出层；

所述输入层为网络总入口，其元个数即为故障特征向量的个数；

所述模式层通过权值与输入层相连，计算输入的故障特征向量与各模式层的匹配程度，也即输入的故障特征向量相对于各个模式层的权值；然后送入高斯核函数得到该层的输出；

所述累加层将各个类的模式层连接起来，对模式层传来的同类输入进行累加，累加算法为式中，为第k个模式中的第j个样本，σ为平滑参数；

所述输出层输出累加层中得分最高的一类。